【技术实现步骤摘要】
本专利技术涉及通信，尤其涉及一种无线网络流量预测方法及预测系统。
技术介绍
1、随着移动设备的广泛使用和蜂窝通信技术的快速发展，无线网络发生了巨大变化。特别是无线网络基站的大量布局，使得蜂窝网络数据急剧上升，因此精确的无线网络流量预测对于运营商来说是至关重要的；同时，面对超密集的基站分布，要实现更为高效的无线网络流量预测是前所未有的挑战。
2、传统的无线网络流量预测方法大致可以分为两类，即基于统计的方法和基于深度学习的方法。然而，虽然这两类方法在预设的流量模式下可以实现较好的预测精度，但是不能在所有流量模式下均达到这种效果，即泛化性能较弱。
技术实现思路
1、本专利技术提供一种无线网络流量预测方法及预测系统，用以解决现有技术中无线网络流量预测方法泛化性能弱的缺陷，提高无线网络流量预测方法的泛化性能，实现更好的预测效果。
2、本专利技术提供一种无线网络流量预测方法，其包括以下步骤：
3、获取分类后的历史流量数据，并将分类后的历史流量数据中的各类数据划分为测试流量数据和训练流量数据；
4、获取流量预测结果：将测试流量数据输入至基础模型，得到所述基础模型输出的基础流量预测结果；
5、获取基础模型的权重：将训练流量数据输入至集成模型，得到所述集成模型生成的基础模型的权重；
6、获取集成预测结果：根据基础模型的权重对所述基础模型输出的基础流量预测结果进行加权求和，得到对无线网络流量的集成预测结果；
7、其中，
8、根据本专利技术提供的一种无线网络流量预测方法，所述获取分类后的历史流量数据，具体包括：
9、获取n个感兴趣区域的历史流量数据；
10、对n个感兴趣区域的历史流量数据进行分类，得到分类后的历史流量数据。
11、根据本专利技术提供的一种无线网络流量预测方法，所述获取n个感兴趣区域的历史流量数据，具体包括：
12、利用采样间隔ts分别对n个感兴趣区域连续预设时间的流量数据进行采样，得到n个感兴趣区域的总流量数据；
13、将n个感兴趣区域的总流量数据作为n个感兴趣区域的历史流量数据。
14、根据本专利技术提供的一种无线网络流量预测方法，所述对n个感兴趣区域的历史流量数据进行分类，得到分类后的历史流量数据，具体包括：
15、对各感兴趣区域的历史流量数据进行均值方差归一化，得到感兴趣区域归一化后的历史流量数据；
16、按照相似度对各感兴趣区域归一化后的历史流量数据进行分类，得到分类后的历史流量数据。
17、根据本专利技术提供的一种无线网络流量预测方法，所述所述对各感兴趣区域的历史流量数据进行均值方差归一化，得到感兴趣区域归一化后的历史流量数据，具体包括：
18、获取感兴趣区域的日内各时段的流量数据：按照采样间隔ts，将感兴趣区域的历史流量数据划分成日内各时段的流量数据，得到感兴趣区域的日内各时段的流量数据；
19、获取相同时段的流量数据之和：将感兴趣区域日内各时段的流量数据中相同时段的流量数据相加，得到相同时段的流量数据之和；其中，流量数据之和的个数为24/ts；
20、获取24/ts个数据的平均值和标准差；
21、获取感兴趣区域归一化后的历史流量数据：分别将感兴趣区域的24/ts个数据作为待归一化的值，带入均值方差归一化公式中，得到感兴趣区域归一化后的历史流量数据；
22、其中，均值方差归一化公式为：
23、
24、式中，x表示待归一化的值，μ表示感兴趣区域的24/ts个数据的平均值，s表示感兴趣区域的24/ts个数据的标准差，xscale表示感兴趣区域归一化后的历史流量数据。
25、根据本专利技术提供的一种无线网络流量预测方法，所述基础模型采用lstm、ha和st-tran，所述分类后的历史流量数据输入所述lstm、ha和st-tran后训练得到对应的基础模型。
26、进一步地，所述将分类后的历史流量数据输入至集成模型，得到所述集成模型输出的基础模型的权重，具体包括：
27、获取近期流量矩阵：利用分类后的第j类历史流量数据中的训练流量数据构成t时刻的近期流量矩阵其中，λ表示历史流量序列的长度；
28、获取基础模型的权重：将近期流量矩阵输入cnn模型中，得到各类历史流量数据中训练流量数据对应的基础模型的权重。
29、更进一步地，所述将近期流量矩阵输入集成模型包含的cnn模型中，得到各类历史流量数据中训练流量数据对应的基础模型的权重，具体包括：
30、确定历史流量序列：根据t时刻的近期流量矩阵确定第j类历史流量数据中的训练流量数据在t时刻的历史流量序列；
31、获取cnn模型卷积层输出的特征向量：将第j类历史流量数据中的训练流量数据在t时刻的历史流量序列输入卷积层的滤波器中，得到cnn模型卷积层输出的特征向量；
32、获取cnn模型池化层输出的特征向量：cnn模型卷积层输出的特征向量输入池化层进行降采样，得到cnn模型池化层输出的特征向量；
33、获取基础模型的权重：cnn模型池化层输出的特征向量输入全连接层，得到基础模型的权重。
34、更进一步地，所述根据基础模型的权重对所述基础模型输出的基础流量预测结果进行加权求和，得到对无线网络流量的集成预测结果，具体包括：
35、获取训练后的lstm模型输出的流量预测结果和权重的乘积：将分类后的第j类历史流量数据中的测试流量数据对应的训练后的lstm模型输出的流量预测结果与第j类历史流量数据中的训练流量数据对应的lstm模型的权重相乘，得到训练后的lstm模型输出的流量预测结果和权重的乘积；
36、获取训练后的ha模型输出的流量预测结果和权重的乘积：将分类后的第j类历史流量数据中的测试流量数据对应的训练后的ha模型输出的流量预测结果与第j类历史流量数据中的训练流量数据对应的ha模型的权重相乘，得到训练后的ha模型输出的流量预测结果和权重的乘积；
37、获取训练后的st-tran模型输出的流量预测结果和权重的乘积：将分类后的第j类历史流量数据中的测试流量数据对应的训练后的st-tran模型输出的流量预测结果与第j类历史流量数据中的训练流量数据对应的st-tran模型的权重相乘，得到训练后的st-tran模型输出的流量预测结果和权重的乘积；
38、获取基于第j类历史流量数据的集成预测结果：将训练后的lstm模型输出的流量预测结果和权重的乘积、ha模型输出的流量预测结果和权重的乘积，以及训练后的st-tran模型输出的流量预测结果和权重的乘积相加，得到基于第j类历史流量数据的集成预测结果。
39、更进一步地，所述基于第j类历史流量数据的集成预测结果为：本文档来自技高网...
【技术保护点】
1.一种无线网络流量预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的无线网络流量预测方法，其特征在于，所述获取分类后的历史流量数据，具体包括：
3.根据权利要求2所述的无线网络流量预测方法，其特征在于，所述获取n个感兴趣区域的历史流量数据，具体包括：
4.根据权利要求3所述的无线网络流量预测方法，其特征在于，所述对n个感兴趣区域的历史流量数据进行分类，得到分类后的历史流量数据，具体包括：
5.根据权利要求4所述的无线网络流量预测方法，其特征在于，所述对各感兴趣区域的历史流量数据进行均值方差归一化，得到感兴趣区域归一化后的历史流量数据，具体包括：
6.根据权利要求1或2所述的无线网络流量预测方法，其特征在于，所述基础模型采用LSTM、HA和ST-Tran，所述分类后的历史流量数据输入所述LSTM、HA和ST-Tran后训练得到对应的基础模型。
7.根据权利要求6所述的无线网络流量预测方法，其特征在于，所述将分类后的历史流量数据输入至集成模型，得到所述集成模型输出的基础模型的权重，具体包括：
...【技术特征摘要】
1.一种无线网络流量预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的无线网络流量预测方法，其特征在于，所述获取分类后的历史流量数据，具体包括：
3.根据权利要求2所述的无线网络流量预测方法，其特征在于，所述获取n个感兴趣区域的历史流量数据，具体包括：
4.根据权利要求3所述的无线网络流量预测方法，其特征在于，所述对n个感兴趣区域的历史流量数据进行分类，得到分类后的历史流量数据，具体包括：
5.根据权利要求4所述的无线网络流量预测方法，其特征在于，所述对各感兴趣区域的历史流量数据进行均值方差归一化，得到感兴趣区域归一化后的历史流量数据，具体包括：
6.根据权利要求1或2所述的无线网络流量预测方法，其特征在于，所述基础模型采用lstm、ha和st-tran，所述分类后的历史流量数据输入所述lstm、ha和st-tran后训练得到对应的基础模型。
7.根据权利要求6所述的无线网络流量预测方法，其特征在于，所述将分类...
【专利技术属性】
技术研发人员：周凡钦，韦磊，丰雷，蒋承伶，孙云晓，王艳茹，马文洁，朱逸飞，刘卉，汪旭东，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。